Científico de datos: qué hace, cuánto gana y cómo convertirse en uno

El científico de datos es el profesional que usa estadística, programación y modelos de machine learning para prever lo que puede pasar y recomendar la mejor decisión. En la práctica, es quien va más allá de explicar lo que ya pasó y empieza a estimar la demanda futura, calcular el riesgo de crédito, prever qué cliente va a cancelar, indicar qué producto ofrecer y detectar fraudes antes de que se conviertan en pérdida. Es una de las carreras más deseadas del área de datos, una de las mejor pagadas del mercado brasileño y también una de las más mal comprendidas por quien quiere entrar en ella.

Quien sigue mi trabajo ya me oyó decir una frase que vale para esta profesión como para ninguna otra: un buen modelo sobre un dato malo es una decisión equivocada más rápida. El científico de datos es justamente el profesional que más depende de datos confiables y el que más sufre cuando la base está desordenada. Voy a explicar qué hace de verdad, cuánto gana, qué habilidades usa, cómo puedes convertirte en uno y por qué la gobernanza de datos es lo que separa al científico que entrega valor del que solo entrega un notebook bonito.

Qué hace un científico de datos en la práctica

El trabajo del científico de datos es responder preguntas sobre cosas que todavía no pasaron. El analista explica el pasado y el presente. El científico intenta anticipar el futuro. Parte de una pregunta de negocio, qué clientes tienen riesgo de irse, cuánto vamos a vender el próximo trimestre, qué proveedor tiene mayor probabilidad de atrasarse, y construye un modelo que estima esa respuesta a partir del historial.

Un proyecto típico empieza entendiendo el problema con el área de negocio. Después viene la parte que nadie muestra en la publicidad de la profesión: buscar los datos, entender de dónde vienen, limpiarlos, tratarlos y prepararlos. Solo entonces el científico explora la base, prueba hipótesis, entrena modelos, mide el error, ajusta y valida. Al final, lo pone a correr en producción y monitorea si el modelo sigue acertando con el tiempo.

Lo que poca gente percibe es que la mayor parte del tiempo de un científico de datos no se gasta entrenando modelos sofisticados. Se gasta arreglando datos. Las investigaciones de mercado lo repiten hace años, y todo el que vivió un proyecto sabe que es verdad. Pasas semanas entendiendo por qué la base de clientes tiene el mismo CNPJ (el número de registro de empresas de Brasil) escrito de cinco formas distintas antes de escribir la primera línea de machine learning.

Ya vi un proyecto de previsión de demanda detenerse por un motivo que no estaba en el modelo. El material aparecía duplicado en el maestro de materiales, con tres códigos distintos para el mismo ítem. El modelo veía tres productos de baja rotación donde existía uno solo de alta rotación. La previsión salió equivocada, el inventario se dimensionó mal y la culpa cayó sobre el científico. El problema nunca estuvo en el algoritmo. Estaba en el dato maestro que nadie gobernaba.

Científico, analista e ingeniero de datos: cuál es la diferencia

Esta es la duda más común de quien está empezando, y vale separar bien, porque las tres carreras trabajan con datos pero resuelven problemas distintos.

El ingeniero de datos construye y mantiene la estructura. Es quien crea los pipelines, organiza las bases de datos y garantiza que el dato llegue del sistema de origen hasta el lugar donde se va a usar. Es quien construye la tubería por donde pasa el agua.

El analista de datos usa esa estructura para responder preguntas del presente y del pasado. Qué pasó, por qué pasó, cuánto vendimos, dónde perdemos margen. Explica la realidad con datos y ayuda al negocio a decidir ahora.

El científico de datos va más allá de la explicación y trabaja con predicción y recomendación. Usa estadística y machine learning para estimar lo que todavía no pasó. Exige más matemática y programación que el análisis, y por eso suele ser un paso siguiente en la carrera, no la puerta de entrada. En la práctica, en una empresa pequeña una persona hace un poco de todo, y en una empresa grande los roles están más separados, pero la lógica ayuda a entender adónde quieres llegar.

Dónde actúa el científico de datos y quién trabaja con él

El científico de datos rara vez trabaja solo. Depende del ingeniero de datos, que le entrega la base tratada, y conversa directamente con las áreas de negocio, que traen la pregunta y usan la respuesta. Los bancos y las fintechs usan ciencia de datos para el riesgo de crédito y la detección de fraudes. El retail la usa para previsión de demanda, recomendación y fijación de precios. La industria, para mantenimiento predictivo y planificación de producción. Supply chain, para prever quiebres de stock y optimizar el inventario. Salud, agro, telecomunicaciones y seguros también.

Aquí aparece una verdad incómoda. Si cada área entiende "cliente" de una manera, si el material está duplicado, si el proveedor no tiene una clasificación estándar, el científico va a pasar todo el proyecto conciliando bases en lugar de generar valor. El modelo más avanzado del mundo no corrige un registro maestro sin dueño. Quien ya participó en un proyecto de datos sabe que el cuello de botella casi nunca es la técnica. Es la falta de un dato maestro confiable por debajo.

Qué herramientas y habilidades usa el científico de datos

La profesión exige tres bloques de conocimiento, y ninguno basta por sí solo.

El primero es la programación. Python es el lenguaje dominante en la ciencia de datos, con bibliotecas como Pandas para tratar datos, scikit-learn para modelos y, para el aprendizaje profundo, TensorFlow y PyTorch. R todavía aparece en entornos más estadísticos. Y SQL sigue siendo innegociable, porque el dato casi siempre vive en una base de datos y necesitas saber buscarlo.

El segundo es estadística y matemática. Aquí está la diferencia real entre armar un modelo y entender lo que hace. Probabilidad, estadística inferencial, álgebra y nociones de optimización son lo que permite elegir la técnica correcta, interpretar el resultado y no confiar ciegamente en un número que escupió la biblioteca.

El tercero es visión de negocio y comunicación. Un modelo que el liderazgo no entiende no se convierte en decisión. El buen científico traduce el resultado técnico en impacto: cuánto ahorra, cuánto riesgo reduce, qué decisión cambia.

Existe además una capa que separa al científico común del maduro, y es la que menos gente valora: entender calidad y gobernanza de datos. Plataformas de catálogo como Collibra, Alation y Microsoft Purview, y herramientas de calidad como Ataccama e Informatica, existen porque un modelo confiable depende de datos confiables. El científico que pregunta de dónde vino el dato, quién es su dueño y si es confiable vale mucho más que el que solo apila algoritmos.

Cuánto gana un científico de datos

La ciencia de datos es una de las carreras mejor pagadas del área, y el rango varía bastante según la región, el tamaño de la empresa, el sector y el nivel de especialización. El salario promedio nacional ronda los R$ 11.000 al mes, según relevamientos de mercado, pero ese promedio esconde una gran variación. Usando las referencias de 2026 para Brasil, los valores mensuales quedan más o menos así:

El científico junior, que está comenzando en el área, suele ganar entre R$ 6.000 y R$ 10.000. El científico semisenior, con algunos años de camino, queda en el rango de R$ 10.000 a R$ 16.000. El científico senior y especialista va de R$ 16.000 a R$ 25.000, pudiendo superar ampliamente eso en fintechs, big techs y vacantes enfocadas en inteligencia artificial.

Dos factores empujan ese número hacia arriba con fuerza. El primero es el inglés, que abre vacantes remotas para empresas del exterior, muchas veces con remuneración en otra moneda que supera con holgura al mercado local. El segundo es la especialización en IA y machine learning aplicados, que hoy es lo que más se disputa el mercado. Y existe un tercero que casi nadie comenta: entender de gobernanza y datos maestros. El científico que sabe garantizar que el dato es confiable, y no solo modelarlo, entra en un rango que la mayoría no alcanza, porque resuelve el problema que traba todos los proyectos.

Cómo convertirse en científico de datos

No existe un único camino, y el área recibe gente de formaciones variadas. Estadística, ciencias de la computación, ingeniería, matemática, física y economía son orígenes comunes, pero ya vi a gente de otras áreas migrar con éxito. Lo que cuenta es el conjunto de habilidades, no el título específico.

El camino práctico que recomiendo empieza por una base sólida de estadística y matemática, porque es lo que sostiene todo. En paralelo, Python y SQL, las herramientas del día a día. Después, los fundamentos de machine learning, entendiendo los modelos principales antes de correr hacia el más avanzado. Y, todo el tiempo, practicar en proyectos reales de punta a punta, tomando una base, definiendo una pregunta y entregando un resultado que se explique solo.

Pero el paso que casi todo curso se salta es el más importante para quien quiere destacarse de verdad: entender calidad y gobernanza de datos. De nada sirve dominar el modelo si no sabes reconocer cuándo la base está equivocada. El científico que pregunta de dónde vino ese dato, quién responde por él y si se puede confiar es quien gana la confianza del liderazgo y quien evita poner en producción un modelo que aprendió con basura.

Sobre las certificaciones, ayudan pero no sustituyen un portafolio. Las certificaciones de nube, como las de datos e IA de Azure, AWS y Google Cloud, están bien vistas. Para quien quiere convertirse en referencia en gestión de datos, la certificación CDMP, de DAMA, basada en el DAMA-DMBOK, muestra que entiendes gobernanza y no solo herramientas. Más que cualquier certificado, arma un portafolio con proyectos que muestren tu razonamiento desde el problema hasta la decisión.

Científico de datos e IA: por qué el dato malo derriba al mejor modelo

La explosión de la inteligencia artificial puso los reflectores sobre la ciencia de datos, y con razón. Pero trajo también una ilusión peligrosa, la de que basta un modelo poderoso para resolver el problema. La IA aprende con lo que le muestras. Si le muestras material duplicado, proveedores mal clasificados, clientes con un concepto distinto entre áreas y registros maestros sin estándar, aprende el error y lo repite a escala, con una confianza que engaña.

Como abordo en el libro "Master Data Management: Fundamentos e Aplicações" (libro en portugués), publicado por la Editora Brasport, el dato maestro es el cimiento sobre el que todo se apoya. El científico que ignora esto gasta energía afinando modelos mientras el problema real está en la base. El que lo entiende se convierte en el profesional que la empresa no suelta, porque no solo construye el modelo, garantiza que el modelo aprendió de la verdad.

Principales dudas sobre la profesión

¿Se necesita una carrera universitaria para ser científico de datos? Ayuda, principalmente en áreas cuantitativas, pero no es una regla absoluta. El mercado valora la habilidad comprobada, el portafolio y el dominio real de estadística y programación. Mucha gente entra por cursos de especialización y proyectos propios.

¿Científico de datos es lo mismo que analista de datos? No. El analista explica el presente y el pasado para apoyar decisiones. El científico trabaja con predicción y recomendación usando modelos estadísticos. El analista suele ser la puerta de entrada, y el científico, un paso siguiente.

¿Necesito ser bueno en matemática? Para esta carrera, sí, más que para el análisis. Estadística y probabilidad son el cimiento de lo que hace el científico. No hace falta ser un genio, pero sí una base sólida y disposición para estudiar.

¿Cuánto tiempo toma convertirse en científico de datos? Depende del punto de partida. Quien ya viene de un área cuantitativa avanza más rápido. Para la mayoría, es un camino de uno a dos años de estudio enfocado sumado a proyectos reales. Lo que acelera es practicar, no acumular cursos.

¿La IA va a sustituir al científico de datos? Las herramientas de IA automatizan parte del trabajo técnico, pero no sustituyen a quien entiende el problema de negocio, garantiza la calidad del dato e interpreta el resultado con sentido crítico. De hecho, cuanta más IA, más necesita el mercado a gente que garantice que el dato por debajo es confiable.

MDM Academy: donde formar al profesional de datos que el mercado busca

La MDM Academy es la escuela de gobernanza y datos maestros de 4MDG. Nació de una percepción que vivo en la práctica todos los días. El mercado forma a mucha gente que sabe operar herramientas y entrenar modelos, pero a poca gente que entiende el dato por debajo de ellos. Y es esa segunda persona la que las empresas más necesitan y menos encuentran.

En la Academy, el foco es formar profesionales que entiendan gobernanza de datos, datos maestros, calidad, alta y mantenimiento de registros maestros y el impacto de todo eso en el negocio y en la IA. Es contenido construido por quienes viven proyectos de verdad, con ejemplos de compras, supply chain, SAP e inteligencia artificial, traduciendo lo técnico en resultados. Si quieres entrar en la ciencia de datos con un diferencial que la mayoría no tiene, o ya trabajas en el área y quieres subir de nivel, vale la pena conocer la MDM Academy y unirte al Club de los Datos, nuestra comunidad de quienes se toman los datos en serio.

Conclusión

Ser científico de datos es una de las carreras más prometedoras y mejor pagadas del área de datos en Brasil hoy. Buena demanda, salario fuerte, espacio para crecer y un mercado que solo se calienta con el avance de la inteligencia artificial. Pero queda el mensaje que siempre repito. La técnica se aprende. Modelos, bibliotecas, algoritmos, todo eso está en cursos y documentación. Lo que diferencia al profesional es entender que una buena predicción depende de datos confiables, y que los datos confiables dependen de la gobernanza.

El científico que ve eso deja de ser alguien que entrena modelos y se convierte en alguien en quien la empresa confía para decidir sobre el futuro. Y, al final, de eso tiene hambre el mercado. No de un algoritmo más, sino de gente que garantice que el dato que lo alimenta es verdadero. En tu empresa, ¿qué traba más un proyecto de datos: la falta de buena gente o la falta de una base confiable para que el modelo aprenda?